Towards Generalizable Mapping of Hedges and Linear Woody Features from Earth Observation Data: a national Product for Germany

技術的概要：地球観測データからのヘッジと線状木本特徴の一般化可能なマッピングに向けた取り組み

問題提起
ヘッジ、樹木列、河畔植生などの線状木本特徴（LWFs）は、生物多様性、気候適応、土壌保護にとって不可欠である。しかし、地球観測（EO）データを用いたこれらの特徴の体系的かつ大規模なマッピングは、依然として方法論的な課題となっている。既存のアプローチは往々にして高度に特化しており、特定のセンサー、空間分解能、取得条件（葉あり対葉なしなど）の狭い組み合わせに依存している。その結果、これらのワークフローは転用性が欠如しており、あるデータセットで訓練されたモデルを異なる地域やセンサータイプに適用すると、通常、性能が著しく低下するか、広範な再訓練が必要となる。さらに、ドイツにおいて利用可能な EO データは、高解像度のオルソフォトから樹冠高さマップまで多岐にわたるが、この不均一性を扱いながら、単一の再利用可能なセグメンテーションモデルを維持できる統合処理パイプラインは存在しない。

手法
著者らは、二値の木本植生マスクの生成と線状特徴の形態的分離を切り離すように設計されたモジュール型ワークフローを提案する。このワークフローは、独立して最適化可能な 2 つのコンポーネントで構成される。

1. 不均質な入力データインターフェース：このモジュールは、多様な EO データソースを統合し、二値の木本植生マスクという統一された中間製品にまとめる。本研究では、ドイツにおける 3 つの異なる入力ソースを利用する。

   • BKG データ：20 cm デジタルオルソフォト（DOP20）、1 m 数値表面モデル（DSM）、1 m 数値地形モデル（DTM）、および建物のフットプリントの組み合わせ。DOP20 がモザイク状（取得日、葉あり/葉なしの状態、コントラスト強調のばらつき）であるため、条件付き処理ロジックが採用される。これには、正規化 DSM（nDSM）の生成、建物マスクの作成、取得メタデータに基づくタイル固有の NDVI 閾値処理の適用が含まれ、植生マスクを導出する。
   • 樹冠高さマップ（CHMv2）：Maxar 画像から導出されたグローバル製品（ドイツでは約 0.73 m 分解能）。単純な高さ閾値処理を経て作成される。
   • Liu ら（2023）の樹冠高さマップ：PlanetScope 画像から導出された 3 m 分解能の製品。これも高さ閾値処理を経て作成される。

2. 形態的分離のための深層ニューラルネットワーク：修正された U-Net アーキテクチャに基づく深層学習モデルが、二値植生マスク内の線状特徴を非線状（パッチ状）特徴から分離するように訓練される。

   • 訓練戦略：極めて重要なのは、このモデルが 専ら 手続的に生成された合成データに基づいて訓練されている点である。これにより、サイト固有の実世界ラベルへの依存を回避し、空間的な転用性を高める。合成データ生成器は、背景、線状特徴（角ばった形状と有機的な形状）、およびパッチ（大、中、小）のランダムな組み合わせを含む 1,024 × 1,024 ピクセルのシーンを生成する。
   • アーキテクチャと入力：モデルは 3 チャンネル入力を受理する。すなわち、二値植生マスク、そのスケルトン、および距離変換である。2 つの出力ヘッドを使用する。1 つは 3 クラスセグメンテーション（背景、線状、非線状）用、もう 1 つは線状特徴に限定されたスケルトン予測用の補助ヘッドである。
   • 損失関数：訓練目的関数は、重み付き交差エントロピー、過小表現されている線状クラスに焦点を当てた Dice 損失、およびトポロジ的連続性を強制するためのスケルトンベースの損失を組み合わせる。
   • 推論：モデルは、重なり合うチップで国規模のマスクを処理する。後処理には、予測されたスケルトンから遠いピクセルを除去するスケルトンベースの微調整と、ベクターデータを用いた既知の非植生線状構造物（橋、太陽光発電所など）の除外が含まれる。

主な貢献

• 概念的ワークフロー：不均質な入力データ（オルソフォト、DSM/DTM、樹冠高さマップ）を単一の中間二値マスクに統合し、異なるデータ構成に対して単一の訓練済みモデルを使用可能にする統合パイプライン。
• 合成データに基づく訓練手法：合成データ生成に完全に依存する訓練アプローチにより、新しい地域やセンサータイプに適用する際に再訓練を必要としない、空間的に独立したモデルを可能にする。
• 国規模の製品：0.73 m、1 m、3 m の空間分解能でドイツにおける 3 つの国規模線状木本特徴マップを導出。ワークフローの柔軟性を実証。
• 評価フレームワーク：4 つの連邦州（バイエルン州、ブランデンブルク州、バーデン＝ヴュルテンベルク州、ノルトライン＝ヴェストファーレン州）からの独立した参照データ、およびトポロジ的合意を評価するために開発された新規スケルトンベースの指標（変化する距離閾値における F1 スコアの AUC）を用いた包括的な評価。これにより、ピクセル単位の指標が分解能の違いに対して持つ感度を軽減する。

結果
本研究は、3 つの導出マップを参照データおよび 2 つの既存データセット（Huber-García ら、2025；Muro ら、2025）に対して評価した。

• 性能：ワークフローは、すべての評価サイトにおいて競争力のある結果を生み出した。BKG データ（1 m）および CHMv2（0.73 m）から導出されたモデルは、トポロジ的正確性の観点から、3 m 分解能モデル（Liu らおよび Muro ら）を概して上回った。
• 分解能の影響：より高解像度の入力はより詳細な出力をもたらしたが、スケルトンベースの評価によると、厳密なピクセル重なりではなくトポロジ的整合性に焦点を当てた場合、分解能間の性能差は顕著ではなかった。
• 一般化可能性：合成データで訓練された単一のモデルが、再訓練なしに 3 つの異なる入力ソースを正常に処理し、ワークフローの転用性を検証した。
• 限界：BKG 由来マスクの 1 m 分解能（DSM によって制約される）は、低木性の線状特徴の除外につながり、Huber-García らによる 20 cm 分解能の研究と比較して性能格差が生じた。さらに、葉なし条件で取得されたタイルは簡略化された処理ブランチを必要とし、時折、橋などの非植生構造物を導入してしまい、後処理による除去が必要となった。

意義
本論文は、提案されたワークフローが線状木本特徴マッピングにおける空間的転用性という重要なボトルネックに対処していると主張する。入力データを二値マスクに抽象化し、抽出タイルを合成データで訓練されたモデルによって解決される一般化された形態的分離問題として扱うことで、地域固有の再訓練の必要性を排除する。このモジュール性により、ドメイン専門家は利用可能な現地データに基づいて植生マスク生成を最適化でき、深層学習の専門家はセグメンテーションモデルを独立して改善できる。著者らは、この設計がドイツを超えたスケーラブルなマッピングの基盤を提供し、既存のグローバル樹冠高さ製品を用いて将来的な検証のための標準化されたベンチマークデータセットが確立されれば、欧州規模、あるいはグローバル規模への拡張が可能であると提唱している。